Claim Missing Document
Check
Articles

Found 15 Documents
Search

UJI NONLINEARITAS YANG DIABAIKAN DALAM TIME SERIES Brodjol Sutijo; Subanar Subanar
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 4, No 2 (2004)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v4i2.874

Abstract

Dalam makalah ini akan dibahas tentang pengujian nonlinearitas didasarkan pada pendekatan Neural Network (NN) yang dikemukakan oleh Lee dan White untuk kondisi nonlinear yang terabaikan pada model time series. Pada uji neural network ini, dikembangkan dari model Feedforward neural network dengan menambahkan hubungan langsung dari input ke output. Uji ini akan dibandingkan dengan uji Tsay dan didasarkan pada studi simulasi, baik untuk model linear maupun model nonlinear. Pendekatan uji dengan neural network adalah pendekatan lagrange multiplier, sedangkan uji Tsay didasarkan pada pendekatan regresi dengan menambahkan perkalian komponen dari variabel prediktor. Hasil simulasi secara umum menunjukkan jika model yang dibentuk adalah model linear, kekuatan uji nonlinearitasnya rendah, sedangkan jika yang dibentuk adalah model nonlinear, maka kekutan uji nonlinearnya tinggi. Hasil ini berlaku untuk metode White maupun Tsay.
PERBANDINGAN ANTARAMODEL LOGITMUTINOMIAL DENGAN NEURAL NETWORK PADA DATA POLIKOTOMUS Sri Rezeki; Subanar Subanar
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 4, No 2 (2004)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v4i2.903

Abstract

Model logistik untuk data respon yang mempunyai lebih dari dua kategori dikenal sebagai model regresi logistikpolikotomus atau model logit multinomial. Pendekatan lain yang dapat dilakukan untuk menganalisis data respon yangdemikian adalah dengan menggunakan model neural network (NN). Model feedforward neural network (FFNN)merupakan salah satu bentuk model NN yang dipandang sebagai suatu bagian dari kelompok model yang sangat fleksibeldan dapat digunakan untuk berbagai aplikasi. FFNN dengan satu hidden layer dan parameter/bobot yang digunakanbersama (shared weights) merupakan generalisasi dari model logit multinomial. Perbedaan utama diantara keduapendekatan tersebut adalah NN merupakan model nonparametrik, sehingga tidak membutuhkan asumsi awal tentangbentuk hubungan yang dimodelkan, sedangkan model logit multinomial merupakan model parametrik yang dalam hal inidapat mengalami bias spesifikasi model apabila asumsi tidak terpenuhi. Model logit multinomial mampu memberikantaksiran parameter yang dapat diinterpretasi dan statistik uji untuk mengetahui signifikansi taksiran parameter tersebut,sedangkan NN sangat sulit untuk interpretasi namun arsitektur jaringan dapat dengan mudah ditingkatkan untukmendapatkan hasil yang optimal. Model logit multinomial dan NN keduanya dapat digunakan untuk menyelesaikanmasalah klasifikasi, oleh karena itu makalah ini membahas tentang perbandingan ketepatan klasifikasi antara model logitmultinomial dengan NN menggunakan data simulasi. Hasil penelitian menunjukkan bahwa NN mampu memberikanketepatan klasifikasi yang lebih tinggi dibandingkan dengan model logit multinomial, baik pada data training maupun padadata testing.
UJI HIPOTESIS DENGAN METODE BOOTSTRAP Sugiyarto Sugiyarto; Subanar Subanar
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 3, No 1 (2003)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v3i1.566

Abstract

Uji hipotesis adalah salah satu bagian dari inferensi statistik. Dengan uji hipotesis dapat disimpulkan sejauh manakelakuan/ kondisi/ karakter dari suatu populasi. Metode konvensional dalam uji hipotesis didasarkan pada asumsi ini dapatdiabaikan dan makalah ini menyajikan uji hipotesis dengan menggunakan metode bootstrap
GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA PERAMALAN KURS DOLAR DAN INDEKS HARGA SAHAM GABUNGAN (IHSG) LUH PUTU WIDYA ADNYANI; SUBANAR SUBANAR
Faktor Exacta Vol 8, No 2 (2015)
Publisher : LPPM

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (702.116 KB) | DOI: 10.30998/faktorexacta.v8i2.312

Abstract

General Regression Neural Network (GRNN) is one method that was developed from the concept of artificial neural network that can be used for forecasting. This method was applied to predict the time series data that has a causal relations where the forecasting method used previously (ARIMA BOX-Jenkins)is not able to explain the presence of linkage data.This research was conducting by taking the dollar exchage rate and composite stock price index (IHSG). By using the GRNN methode will obtained the predictive value in some future periode. The advantages using this method is faster in term of computation and doesn’t requared the presence of a data asumptions. GRNN method produces more accurate predictive value comapred with ARIMA. It was shown that the MSE value is smaller than ARIMA. Keyword: GRNN, Neural Network, GRNN Time Series, GRNN Dollar exchage rate and IHSG.
MODEL REPRESENTASI INFORMASI DAN PENGETAHUAN UNTUK PROYEK-PROYEK PERUSAHAAN DENGAN MENGGUNAKAN SEMANTIK ONTOLOGI Azhari Azhari; Subanar Subanar; Retantyo Wardoyo; Sri Hartati
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 7, No 2, Juli 2008
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (341.632 KB) | DOI: 10.12962/j24068535.v7i2.a178

Abstract

This paper presents the utilization of knowledge management system for information and knowledge model development of enterprise projects. This information and knowledge management model is based on ontology semantic data model. The ontology data model is new technique for representing information and knowledge base on more semantically conception of meanings of objects, their properties, and relations between them that may arise within certain domain knowledge. The concern of the knowledge management model is to ensure that the model allows the process of creation, access, and utilization of data in a semantically manner (for querying process) and information or knowledge of enterprise projects. The experimentation shows that project ontology model has satisfied all consistent, valid, complete, and correct ontology model criteria and can be used for semantic reasoning computation. A prototype of the proposed model can access information and knowledge from the knowledge ontology model.   Kata Kunci: knowledge management system, semantic data model, ontology model, semantiq query, enterprise projects